CN112492645A - UHWNs中基于异构边缘云的协作垂直切换方法 - Google Patents
UHWNs中基于异构边缘云的协作垂直切换方法 Download PDFInfo
- Publication number
- CN112492645A CN112492645A CN202011313084.6A CN202011313084A CN112492645A CN 112492645 A CN112492645 A CN 112492645A CN 202011313084 A CN202011313084 A CN 202011313084A CN 112492645 A CN112492645 A CN 112492645A
- Authority
- CN
- China
- Prior art keywords
- network
- terminal
- sbse
- algorithm
- terminals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0284—Traffic management, e.g. flow control or congestion control detecting congestion or overload during communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明请求保护一种UHWNs中基于异构边缘云的协作垂直切换方法,由无线局域网和异构蜂窝网络融合而成的超密集异构无线网络中,针对设备数量急剧增加且网络架构更加复杂,导致垂直切换判决难的问题,首先,通过分析超密集异构无线网络的切换问题,提出了一个结合D2D网络和边缘云计算思想的异构网络架构;其次,基于所提的网络架构场景,进一步提出了一个三级协作的垂直切换算法,通过D2D网络、配置边缘云服务器的微基站和宏基站之间的三级协作,提升综合切换性能;最后,实验仿真表明,该算法在保证终端服务质量的同时,使更多的终端能够快速的接入到合适的网络,提高整个系统中终端选网的综合效益。
Description
技术领域
本发明属于超密集异构无线网络中的垂直切换方法,属于移动通信领域。特别是涉及一种结合D2D网络和边缘云计算思想的三级协作进行垂直切换的方法。
背景技术
随着由微基站(Small Base Station,SBS)和宏基站(Macro Base Station,MBS)异构而成的5G异构蜂窝网络,融合集成到无线局域网(Wireless Local Area Networks,WLAN)、全球微波接入互操作性(World Interoperability for Microwave Access,WiMAX)、长期演进技术(Long Term Evolution,LTE)等传统异构无线网络场景中,不同类型技术共同为移动终端(Mobile Terminal,MT)提供无处不在的网络服务成为未来发展趋势,必将形成一个多种网络共同存在、信号覆盖重叠的超密集异构无线网络(Ultra-denseheterogeneous wireless networks,UHWNs)。同时,随着用户业务多样化和海量化发展,接入点和终端数量增加,且集成更加复杂,如何在考虑终端服务需求的前提下,快速切换到最优的接入网络,成为了当前移动通信领域的一个研究热点。近年来,不少研究者分为以终端为主垂直切换算法和以网络端为主的垂直切换算法展开了研究。
在以终端为主的垂直切换算法中,如文献[Hewei YU,Yanan MA,JingxiYU.Network Selection Algorithm for Multiservice Multimode Terminals inHeterogeneous Wireless Networks[J].IEEE Access,2019,7:46240-46260]利用熵值法和模糊层次分析法(Fuzzy Analytic Hierarchy Process,FAHP)确定网络属性的权重,结合用户偏好和网络服务优先级构建效用函数,最后通过TOPSIS(Technique for OrderPreference by Similarity to an Ideal Solution)算法为移动终端选择最适合的网络。文献[Shangguang WANG,Cunqun FAN,Ching-Hsien HSU,et al.A Vertical HandoffMethod via Self-Selection Decision Tree for Internet of Vehicles[J].IEEESystems Journal,2016,10(3):1183-1192]通过对业务分类和设定属性阈值来构建网络切换决策树,最终生成多属性判决值并做出切换决策。文献[MATHONSI T.E,KOGEDA O.P,OLWAL T.O.Intersystem Handover Decision Model for Heterogeneous WirelessNetworks[C],2018Open Innovations Conference,Johannesburg,The Republic ofSouth Africa,2018:1-7]通过结合灰色预测理论(Grey Prediction Theory,GPT)、多属性决策、FAHP和主成分分析(Principal Component Analysis,PCA)等算法,构建一个智能切换算法来处理模糊性属性和满足用户的多样化需求。文献[GOUTAM S,UNNIKRISHNAN S,KARANDIKAR A.Algorithm for handover decision based on TOPSIS[C].2020International Conference on UK-China Emerging Technologies,Glasgow,United Kingdom,2020:1-4]设计并实现了实际场景中RSS,带宽,时延,时延抖动,丢包率等参数的测量,将其作为输入参数利用TOPSIS算法计算出每个候选网络的决策得分。上述以终端为主的垂直切换算法主要以提供给单个终端最好的服务质量为主要目标,忽略了终端与终端之间的联系,同时由于在超密集异构环境中基站数量的增加,伴随着终端能接收到的候选网络数量也急剧增加,此类算法由于终端设备的电量、内存、计算能力等本身的限制,在候选网络数量急剧增加的环境下,已无法快速准确地为用户选择满意的网络。
在以网络端为主的垂直切换算法中,如文献[Xiaodong XU,Xiaoxuan TANG,ZhaoSUN,et al.Delay-Oriented Cross-Tier Handover Optimization in Ultra-DenseHeterogeneous Networks[J].IEEE Access,2019,7:21769-21776]通过以最大化整个网络的有效吞吐量和最小化阻塞率为优化目标,分别给出时延敏感型终端和非时延敏感型终端的接入策略。文献[Li QIANG,Jie LI,ALTMAN E.A Novel Distributed NetworkSelection Scheme for Heterogeneous Wireless Network Environments[J],IEEETransactions on Control of Network Systems,2017,4(3):575-586]将网络选择问题转化为一个最大化信道容量和最小化阻塞率多目标优化问题,用分布式的方法将原多目标问题转化为最值问题,并证明此最值问题的解为原多目标优化问题的帕累托最优。文献[GenLIANG,Hewei YU,Xiaoxue GUO.Joint Access Selection and Bandwidth AllocationAlgorithm Supporting User Requirements and Preferences in HeterogeneousWireless Networks[J].IEEE Access,2019,7:23914-23929]联合考虑网络侧和用户侧参数,将接收信号强度,网络负载和用户需求作为输入参数,输入到一个五层模糊神经网络中,最终给出终端最佳网络。文献[Dongli WANG,Qilu SUN,Yequn WANG,et al.Network-assisted vertical handover scheme in heterogeneous aeronautical network[C],2020Asia-Pacific Conference on Image Processing,Electronics and Computers,Dalian,China,2020:148-152]利用软件定义网络(Software Defined Network,SDN)控制器辅助垂直切换过程,并在不同的SDN控制器的部署下评估了切换成功率、平均切换时延、用户满意度等指标。文献[GOUTAM F and UNNIKRISHNAN S.Decision for VerticalHandover based on Naive Bayes Algorithm [C],2019International Conference onAdvances in Computing,Communication and Control,Mumbai,India,2019:1-6]将终端的选网过程抽象为一个朴素贝叶斯决策模型(Naive Bayesian Model,NBM),并用统计和分析的方法证明决策的准确性。上述以网络端为主的垂直切换算法需要统筹调控整个网络的资源分配,所有的终端接入请求都由后台数据中心集中式的处理,在超密集异构无线场景下,伴随着基站和终端数量的急剧增加势必会造成集中式处理的控制瓶颈问题。此外,以上算法在原有环境下都能达到不错的效果,但均未考虑在超密集异构无线网络环境下,基站和终端数量急剧增加后,带来垂直切换算法存在难判决的问题:候选网络和终端数量的增加,加剧了网络选择复杂度和集中式控制机制带来的瓶颈问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种UHWNs中基于异构边缘云的协作垂直切换方法。本发明的技术方案如下:
一种UHWNs中基于异构边缘云的协作垂直切换方法,其包括以下步骤:
101、首先利用终端周围的相似性选网现象,与周围已连网终端自组织成D2D网络,通过相似度匹配完成终端的快速选网;
102、其次当终端周围未匹配到相似选网终端时,触发配置边缘云服务器的微基站上的网络判决算法,将终端的判决参数以D2D的方式上传到SBSe并构建效用函数,通过遗传算法优化属性权重,为终端选择合适的网络接入;
103、最后根据SBSe上传的拥塞状态信息构建拥塞预测模型,当监测到SBSe的拥塞程度持续超过设定阈值时,触发配置MBSe的宏基站上的统筹调控算法,为拥塞SBSe内的终端转移到空闲的SBSe进行网络判决。
进一步的,所述步骤101首先利用终端周围的相似性选网现象,与周围已连网终端自组织成D2D网络,通过相似度匹配完成终端的快速选网,具体包括:
利用终端相似选网现象并结合D2D技术,构建一个D2D相似度匹配算法,待接入终端与周围已接入到网络中的终端自组织成D2D网络,通过在D2D网络中进行相似度匹配,选择具有相似选网需求的终端所连的网络作为判决结果,如式(1),分别采用终端之间距离、运动方向的夹角和速度的差值作为判决的参数,若上述参数同时低于各自设定的阈值,则判定匹配到具有相似选网需求的终端,连接其所连网络,其相似匹配度l定义为:
其中r为D2D网络中已接入终端和未接入终端之间的欧式距离,θ为其运动方向之间的夹角,Δυ为其速度之间差值的绝对值,rth、θth、Δυth分别为给定的阈值。
进一步的,所述阈值的设定如下:
假设终端的位置服从泊松点过程,构建终端之间距离变量r的概率密度函数如式(2):
其中λ为泊松点过程的参数,定义终端之间距离的阈值为随机变量r的期望值,可得终端之间距离的阈值rth为:
运动方向的夹角和速度的差值服从高斯分布,分别定义运动方向夹角的阈值和速度差值的阈值为各自变量的期望,同理可求出θth和Δυth:
其中μθ、σθ分别为变量θ的均值和标准差。
其中μΔυ、σΔυ分别为变量Δυ的均值和标准差。
进一步的,所述步骤102终端在D2D网络中未匹配到相似选网终端时,触发边缘云服务器的微基站上的网络判决算法,将终端的判决参数以D2D的方式上传到SBSe并构建效用函数,采用加权求和的方法来构建效用函数:
其中z(i)为网络i的效用函数,m为网络属性数量,aij为网络i的第j个属性值,wj为对应的权重,通过求得各个评价指标的权重分配w=(w1,w2,…,wm),得到所有备选网络的效用值z(i),找出最大的z(i)来进行网络选择。
进一步的,所述步骤102将权重分配方案转化为一个寻优问题,并选用全局搜索寻优的遗传算法迭代出最优解,使用遗传算法迭代出最优权重的步骤如下:
(1)适应度函数的确定:用各网络效用值z(i)的离散程度、与终端需求的符合程度构建遗传算法的适应度函数如式(5):
其中S(z)为z(i)与终端需求的差值函数,D(z)为z(i)的标准差,表征z(i)的离散程度,具体表示为:
(2)迭代最优权值:将要求的权重序列w=(w1,w2,…,wm)作为种群个体的基因,首先初始化种群,然后根据各个体的适应度选择适应解,同时对保留解进行交叉、变异操作的迭代运算,直到达到终止条件,从而得到最优权重分配方案 表示网络第m个属性的最优权重。
进一步的,所述步骤103的根据SBSe上传的拥塞状态信息构建拥塞预测模型,具体包括:
定义SBSe管理范围内网络的平均阻塞率为SBSe的拥塞程度,阻塞率的数学模型如下:
其中pχ为SBSe管理范围内网络χ的阻塞率,m为SBSe管理范围内网络数量,MBSe根据各SBSe上传上来的拥塞状态信息η={(η1,t1),(η2,t2),…(ηc,tc)}采用局部加权线性回归模型LWLR构建一个预测模型,预测未来一段时间内SBSe上拥塞程度;选用高斯核函数来赋予待测点周围样本点的权重:
ηt=αt+β (15)
其中t表示时间参数,ηt表示SBSe在t时刻的拥塞程度,α,β为回归系数。并用最小二乘法求出回归系数,得到预测模型。
进一步的,所述步骤103中,当终端连接到SBSe上进行网络判决时,根据当前SBSe拥塞程度的变化趋势判断当终端接入后是否能获得相应的服务,即SBSe的拥塞程度是否大于某一个阈值且持续增加,若是,MBSe根据监测到邻近基站的拥塞程度,让终端接入到邻近空闲SBSe上做网络判决,否则直接进行网络判决,其中阈值ε定义为该SBSe历史采样数据的中位值,若邻近SBSe也没有足够的可用资源,则直接将终端连接到宏基站上进行通信。
本发明的优点及有益效果如下:
1.在超密集异构无线网络中分析终端之间相似选网的现象,然后根据权利要求中的步骤2和步骤3构建一个相似度匹配算法,使系统中一部分终端能够快速的接入到合适的网络,降低整个系统的网络选择复杂度,而在现有的研究工作中并未考虑到超密集异构环境下终端的相似性选网现象。
2.提出了一个三级协作的垂直切换算法,其具体的协作过程如权利要求中的步骤101、102和103所示;通过D2D网络、SBSe和MBSe之间的相互协作完成终端的网络判决,在D2D网络中根据权利要求中的步骤2和步骤3构建一个相似度匹配算法;在SBSe上根据权利要求中的步骤4和步骤5采用效用函数和遗传算法为一部分终端选择合适的网络;在MSBe上根据权利要求中的步骤6和步骤7构建拥塞预测模型,统筹调控整个网络的拥塞程度;三级之
间相互协作提高整个系统中终端选网的综合效益。
附图说明
图1是本发明提供优选实施例三级协作切换的网络拓扑结构图;
图2为三级协作切换的算法流程图
图3为不同方法的时间开销对比;
图4为不同方法的平均接入阻塞率对比;
图5为不同方法的切换失败率;
图6为不同方法的网络总吞吐量对比。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
该方法结合边缘云的思想和D2D技术,提出一种基于异构边缘云的三级协作垂直切换算法,解决了由基站和终端数量急剧增加而带来的难判决问题。算法通过对终端相似性选网现象的分析,使得一部分终端快速接入到合适的网络,同时通过统筹调控系统中的资源分配,使得所有终端能够稳定的接入到合适的网络,并且算法中的三级之间的相互协作,进一步提升综合整个系统的切换性能。实验结果表明,本算法使整个系统中终端的选网更加合理,在降低了时间复杂度,切换失败率,切换阻塞率的同时,增大了整个网络的吞吐量。
本发明提出的垂直切换方法包括以下步骤:
步骤一、利用终端相似选网现象并结合D2D技术,构建一个D2D相似度匹配算法,待接入终端与周围已接入到网络中的终端自组织成D2D网络,通过在D2D网络中进行相似度匹配,选择具有相似选网需求的终端所连的网络作为判决结果。如式(1),分别采用终端之间距离、运动方向的夹角和速度的差值作为判决的参数,若上述参数同时低于各自设定的阈值,则判定匹配到具有相似选网需求的终端,连接其所连网络,其相似匹配度l定义为:
其中r为D2D网络中已接入终端和未接入终端之间的欧式距离,θ为其运动方向之间的夹角,Δυ为其速度之间差值的绝对值,rth、θth、Δυth分别为给定的阈值,其中阈值的设定如下:
如何选取合适的阈值决定了整个匹配算法的好坏,假设终端的位置服从泊松点过程,然后构建了终端之间距离变量r的概率密度函数如式(2):
其中λ为泊松点过程的参数。本文定义终端之间距离的阈值为随机变量r的期望值,因此可得终端之间距离的阈值rth为:
运动方向的夹角和速度的差值服从高斯分布。分别定义运动方向夹角的阈值和速度差值的阈值为各自变量的期望,因此同理可求出θth和Δυth:
其中μθ、σθ分别为变量θ的均值和标准差。
其中μΔυ、σΔυ分别为变量Δυ的均值和标准差。
步骤二、当终端在D2D网络中未匹配到相似选网终端时,触发SBSe上的网络判决算法,将终端的判决参数以D2D的方式上传到SBSe并构建效用函数,主要采用加权求和的方法来构建效用函数:
其中z(i)为网络i的效用函数,m为网络属性数量,aij为网络i的第j个属性值,wj为对应的权重。通过求得各个评价指标的权重分配w=(w1,w2,…,wm),得到所有备选网络的效用值z(i)。找出最大的z(i)来进行网络选择。
此处,将上述权重分配方案转化为一个寻优问题,并选用具有高效、并行、全局搜索寻优的遗传算法迭代出最优解,下面给出使用遗传算法迭代出最优权重的关键性步骤如下:
(1)适应度函数的确定:本文优化权重分配方案的目标是让终端各候选网络的最终效用值z(i)的差异尽可能大,即权重能更加突显出每个网络的特性,同时终端候选网络的最终效用值z(i)也应尽可能的反应终端的主观需求,因此本发明用各网络效用值z(i)的离散程度、与终端需求的符合程度构建遗传算法的适应度函数如式(5):
其中S(z)为z(i)与终端需求的差值函数,D(z)为z(i)的标准差,表征z(i)的离散程度,具体表示为:
(2)迭代最优权值:将要求的权重序列w=(w1,w2,…,wm)作为种群个体的基因,首先初始化种群,然后根据各个体的适应度选择适应解,同时对保留解进行交叉、变异操作的迭代运算,直到达到终止条件,从而得到最优权重分配方案
步骤三、SBSe周期性的上传管理范围内网络的拥塞程度,本发明定义SBSe管理范围内网络的平均阻塞率为SBSe的拥塞程度,阻塞率的数学模型如下:
其中pχ为SBSe管理范围内网络χ的阻塞率,m为SBSe管理范围内网络数量。MBSe根据各SBSe上传上来的拥塞状态信息η={(η1,t1),(η2,t2),…(ηc,tc)}采用局部加权线性回归模型(Locally Weighted Linear Regression,LWLR)构建一个预测模型,预测未来一段时间内SBSe上拥塞程度。
局部加权线性回归模型是对线性回归模型的改进,解决其欠拟合问题,其核心思想是给预测点周围的每个点一个权重,再对这些点用线性回归的模型拟合出一条直线。而本文选用最常用的高斯核函数来赋予待测点周围样本点的权重:
ηt=αt+β (15)
其中t表示时间参数,ηt表示SBSe在t时刻的拥塞程度,α,β为回归系数。并用最小二乘法求出回归系数,得到预测模型。
当终端连接到SBSe上进行网络判决时,根据当前SBSe拥塞程度的变化趋势判断当终端接入后是否能获得相应的服务,即SBSe的拥塞程度是否大于某一个阈值且持续增加,若是,MBSe根据监测到邻近基站的拥塞程度,让终端接入到邻近空闲SBSe上做网络判决,否则直接进行网络判决。其中阈值ε本发明定义为该SBSe历史采样数据的中位值。若邻近SBSe也没有足够的可用资源,则直接将终端连接到宏基站上进行通信。
为了对本发明进行验证,我们在MATLAB平台上进行仿真实验,并设置如下仿真场景:基于IEEE82.11ax标准的WLAN、基于国际电信联盟3GPPP(R16)标准的密集蜂窝网络异构而成的网络模型,在MATLAB平台上搭建仿真场景进行仿真分析。假设场景内分布有2个MBS、8个SBS和5个WLAN,半径分别为500m、300m和200m。其中MBS、SBS和WLAN网络的发射功率分别为:43dbm、30dbm和20dbm;路径损耗分别为:33dbm、33dbm和54dbm;网络总带宽分别为:50MHz、20MHz、15MHz。最大可连接数量分别为:20、10、10。
为了进一步突出本发明的优越性,将本发明所提方法(Proposed VerticalHandover Algorithm,P-VHA)与文献[申滨,徐浪,周晓勇,等.基于最优加权多属性决策的LWA网络接入点选择算法[J].电子科技大学学报,2020,49(3):445-452]中基于多属性决策的垂直切换算法(Multi-attribute vertical handover decision algorithm,MA-VHO)、文献[马彬,李尚儒,谢显中.异构无线网络中基于人工神经网络的自适应垂直切换算法[J].电子与信息学报,2019,41(5):1210-1216]中基于人工神经网络的垂直切换算法(Vertical Handover Algorithm Based on Artificial Neural Network,ANN-AVHO)和文献[TSAI K.L,LIU Hanyun,LIU Yuwei.Using fuzzy logic to reduce ping-ponghandover effects in LTE networks[J].Soft Computing,2016,20(5):1683–1694]中基于模糊逻辑的垂直切换算法(Vertical Handover algorithm based on Fuzzy Logic,FL-VHO)。
时间复杂度是评价垂直切换算法的一个重要指标,其中ANN-VHO算法由于要训练整个网络模型,时间复杂度较高,如图3所示,在四种算法中,ANN-VHO算法的时间耗费最大,而本文算法在用户数相同的情况下,耗费的时间最小,这是因为本文算法在D2D判决阶段,只需要简单查找周围D2D网络有无相似的选网历史数据,并不需要重复启动复杂的垂直切换算法,降低了整个算法的综合时间开销,同时本文算法的三级之间相互协作,进一步降低了整个算法的时间开销。而MA-VHO算法和FL-VHO算法的时间耗费介于本文算法和ANN-VHO算法之间,并且FL-VHO算法高于MA-VHO算法,这是因为FL-VHO算法建立模糊规则库进行模糊推理的时间复杂度较高。
切换阻塞率同样是垂直切换过程的一个重要指标,较高的切换阻塞率会降低网络的利用率并影响终端的正常通信,因此本文对比了4种算法的切换阻塞率。如图4所示,随着终端数量的增加,4种算法接入阻塞率都在逐渐增加,当接入基站的用户数为40时FL-VHO算法和ANN-VHO算法开始产生阻塞,而本文算法在终端数为60时才产生阻塞,这是因为本文算法在D2D切换判决阶段,让一部分终端快速接入到合适网络,避免过多终端同时切换带来的切换阻塞问题,同时FL-VHO算法和ANN-VHO算法虽然在一开始阻塞率不高,但是,随着终端数量的增加,其阻塞率增幅明显,相比之下本文算法一直保持较低的阻塞率,这是因为本文算法除了上述D2D判决阶段减轻了一定程度的拥塞率,同时在SBSe判决阶段,只需处理其管理范围内终端的接入请求,避免了类似FL-VHO算法和ANN-VHO算法中将接入请求集中到后台数据中心统一处理带来的网络拥塞,从而有效的减少了切换阻塞率。而MA-VHO算法的阻塞率也明显低于FL-VHO算法和ANN-VHO算法,这是因为MA-VHO算法同样未将接入请求集中到后台数据中心统一处理。
图5展示了切换失败率和终端数量之间的关系,本文对比了4种算法的切换失败率,可以看到,本文算法的切换失败率低于其他3种算法,这是因为本文在D2D判决阶段考虑了终端的速度以及运动方向,并且在MBSe判决阶段统筹协调控制各个SBSe的拥塞程度,避免了终端连接到拥塞SBSe内而导致的切换失败。对于FL-VHO算法和ANN-VHO算法而言,由于并未考虑到终端的运动状态,其切换失败率略高于本文算法,而MA-VHO算法因没有考虑到整个网络的状态信息,以及未考虑终端的运动状态,因此在四种算法中切换失败率最高。
图6对比了4种算法的吞吐量,从图中可以看出,4种算法,当终端数达到40之前,吞吐量会随着终端数的增加而快速增加,而到达40以后,由于切换阻塞率和切换失败率的增加,使得网络的吞吐量增加速度渐渐变小,最后趋于平缓,而在4种算法中,在用户数相同时,本文算法的吞吐量最高,这是因为本文算法在D2D判决阶段、SBSe判决阶段和MBSe判决阶段保证了终端在超密集异构网络中更加快速、稳定的接入到合适的网络,从而减少切换失败率和切换阻塞率,提高整个网络的吞吐量,同时三级之间的相互协作也使得吞吐量能够进一步的提升。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,包括以下步骤:
101、首先利用终端周围的相似性选网现象,与周围已连网终端自组织成D2D网络,通过相似度匹配完成终端的快速选网;
102、其次当终端周围未匹配到相似选网终端时,触发配置边缘云服务器的微基站上的网络判决算法,将终端的判决参数以D2D的方式上传到SBSe并构建效用函数,通过遗传算法优化属性权重,为终端选择合适的网络接入;
103、最后根据SBSe上传的拥塞状态信息构建拥塞预测模型,当监测到SBSe的拥塞程度持续超过设定阈值时,触发配置MBSe上的统筹调控算法,为拥塞SBSe内的终端转移到空闲的SBSe进行网络判决。
2.根据权利要求1所述的一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,所述步骤101首先利用终端周围的相似性选网现象,与周围已连网终端自组织成D2D网络,通过相似度匹配完成终端的快速选网,具体包括:
利用终端相似选网现象并结合D2D技术,构建一个D2D相似度匹配算法,待接入终端与周围已接入到网络中的终端自组织成D2D网络,通过在D2D网络中进行相似度匹配,选择具有相似选网需求的终端所连的网络作为判决结果,如式(1),分别采用终端之间距离、运动方向的夹角和速度的差值作为判决的参数,若上述参数同时低于各自设定的阈值,则判定匹配到具有相似选网需求的终端,连接其所连网络,其相似匹配度l定义为:
其中r为D2D网络中已接入终端和未接入终端之间的欧式距离,θ为其运动方向之间的夹角,Δυ为其速度之间差值的绝对值,rth、θth、Δυth分别为给定的阈值。
3.根据权利要求2所述的一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,所述阈值的设定如下:
假设终端的位置服从泊松点过程,构建终端之间距离变量r的概率密度函数如式(2):
其中λ为泊松点过程的参数,定义终端之间距离的阈值为随机变量r的期望值,可得终端之间距离的阈值rth为:
rth=E(r)=∫0 ∞f(r)dr (3)
运动方向的夹角和速度的差值服从高斯分布,分别定义运动方向夹角的阈值和速度差值的阈值为各自变量的期望,同理可求出θth和Δυth:
其中μθ、σθ分别为变量θ的均值和标准差。
θth=E(θ)=∫0 ∞f(θ)dθ (5)
其中μΔυ、σΔυ分别为变量Δυ的均值和标准差;
Δυth=E(Δυ)=∫0 ∞f(Δυ)dΔυ (7) 。
5.根据权利要求4所述的一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,所述步骤102将权重分配方案转化为一个寻优问题,并选用全局搜索寻优的遗传算法迭代出最优解,使用遗传算法迭代出最优权重的步骤如下:
(1)适应度函数的确定:用各网络效用值z(i)的离散程度、与终端需求的符合程度构建遗传算法的适应度函数如式(5):
其中S(z)为z(i)与终端需求的差值函数,D(z)为z(i)的标准差,表征z(i)的离散程度,具体表示为:
6.根据权利要求5所述的一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,所述步骤103的根据SBSe上传的拥塞状态信息构建拥塞预测模型,具体包括:
定义SBSe管理范围内网络的平均阻塞率为SBSe的拥塞程度,阻塞率的数学模型如下:
其中pχ为SBSe管理范围内网络χ的阻塞率,m为SBSe管理范围内网络数量,MBSe根据各SBSe上传上来的拥塞状态信息η={(η1,t1),(η2,t2),…(ηc,tc)}采用局部加权线性回归模型LWLR构建一个预测模型,预测未来一段时间内SBSe上拥塞程度;选用高斯核函数来赋予待测点周围样本点的权重:
ηt=αt+β (15)
其中t表示时间参数,ηt表示SBSe在t时刻的拥塞程度,α,β为回归系数。并用最小二乘法求出回归系数,得到预测模型。
7.根据权利要求6所述的一种UHWNs中基于异构边缘云的协作垂直切换方法,其特征在于,所述步骤103中,当终端连接到SBSe上进行网络判决时,根据当前SBSe拥塞程度的变化趋势判断当终端接入后是否能获得相应的服务,即SBSe的拥塞程度是否大于某一个阈值且持续增加,若是,MBSe根据监测到邻近基站的拥塞程度,让终端接入到邻近空闲SBSe上做网络判决,否则直接进行网络判决,其中阈值ε定义为该SBSe历史采样数据的中位值,若邻近SBSe也没有足够的可用资源,则直接将终端连接到宏基站上进行通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313084.6A CN112492645B (zh) | 2020-11-20 | 2020-11-20 | UHWNs中基于异构边缘云的协作垂直切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313084.6A CN112492645B (zh) | 2020-11-20 | 2020-11-20 | UHWNs中基于异构边缘云的协作垂直切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112492645A true CN112492645A (zh) | 2021-03-12 |
CN112492645B CN112492645B (zh) | 2022-05-03 |
Family
ID=74932358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011313084.6A Active CN112492645B (zh) | 2020-11-20 | 2020-11-20 | UHWNs中基于异构边缘云的协作垂直切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112492645B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113382412A (zh) * | 2021-05-12 | 2021-09-10 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170079059A1 (en) * | 2015-09-11 | 2017-03-16 | Intel IP Corporation | Slicing architecture for wireless communication |
CN107371169A (zh) * | 2017-08-01 | 2017-11-21 | 南京航空航天大学 | 异构全双工d2d蜂窝网络中基于演化博弈的模式选择和频谱分配机制 |
CN108601074A (zh) * | 2018-04-10 | 2018-09-28 | 北京邮电大学 | 一种基于异构联合缓存的网络资源分配方法和装置 |
CN108777853A (zh) * | 2018-05-11 | 2018-11-09 | 华中科技大学 | 一种基于d2d的网络边缘缓存方法及系统 |
US20190138934A1 (en) * | 2018-09-07 | 2019-05-09 | Saurav Prakash | Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (mec) networks |
-
2020
- 2020-11-20 CN CN202011313084.6A patent/CN112492645B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170079059A1 (en) * | 2015-09-11 | 2017-03-16 | Intel IP Corporation | Slicing architecture for wireless communication |
CN107371169A (zh) * | 2017-08-01 | 2017-11-21 | 南京航空航天大学 | 异构全双工d2d蜂窝网络中基于演化博弈的模式选择和频谱分配机制 |
CN108601074A (zh) * | 2018-04-10 | 2018-09-28 | 北京邮电大学 | 一种基于异构联合缓存的网络资源分配方法和装置 |
CN108777853A (zh) * | 2018-05-11 | 2018-11-09 | 华中科技大学 | 一种基于d2d的网络边缘缓存方法及系统 |
US20190138934A1 (en) * | 2018-09-07 | 2019-05-09 | Saurav Prakash | Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (mec) networks |
Non-Patent Citations (2)
Title |
---|
ABDELHAMIED A. ATEYA; AMMAR MUTHANNA; ANDREY KOUCHERYAVY: "5G framework based on multi-level edge computing with D2D enabled communication", 《 2018 20TH INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION TECHNOLOGY (ICACT)》 * |
赵临东; 庄文芹; 陈建新; 周亮: "异构蜂窝网络中分层任务卸载:建模与优化", 《通信学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113382412A (zh) * | 2021-05-12 | 2021-09-10 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
CN113382412B (zh) * | 2021-05-12 | 2022-12-27 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112492645B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fadlullah et al. | HCP: Heterogeneous computing platform for federated learning based collaborative content caching towards 6G networks | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
Thar et al. | DeepMEC: Mobile edge caching using deep learning | |
CN112367683B (zh) | 基于改进深度q学习的网络选择方法 | |
Alkhawlani et al. | Access network selection based on fuzzy logic and genetic algorithms | |
CN106413017B (zh) | 异构网络中面向终端个性化服务的模糊垂直切换方法 | |
Sun et al. | Joint communication and computing resource allocation in vehicular edge computing | |
CN112672366B (zh) | 异构无线网络中基于个性化消费偏好的垂直切换系统 | |
Thar et al. | A deep learning model generation framework for virtualized multi-access edge cache management | |
Ouyang et al. | Adaptive user-managed service placement for mobile edge computing via contextual multi-armed bandit learning | |
Chen et al. | An MDP-based vertical handoff decision algorithm for heterogeneous wireless networks | |
El Fachtali et al. | Vertical handover decision algorithm using ants’ colonies for 4G heterogeneous wireless networks | |
Wang et al. | A multi-objective model-based vertical handoff algorithm for heterogeneous wireless networks | |
CN112492645B (zh) | UHWNs中基于异构边缘云的协作垂直切换方法 | |
Zhu et al. | An optimal vertical handoff decision algorithm for multiple services with different priorities in heterogeneous wireless networks | |
Zhong et al. | A vertical handoff decision scheme using subjective-objective weighting and grey relational analysis in cognitive heterogeneous networks | |
Priya et al. | QAAs: QoS provisioned artificial intelligence framework for AP selection in next-generation wireless networks | |
Kaur et al. | An efficient handover mechanism for 5G networks using hybridization of LSTM and SVM | |
Rao et al. | Network selection in heterogeneous environment: A step toward always best connected and served | |
Xie et al. | Mobility-aware task parallel offloading for vehicle fog computing | |
Chen et al. | Traffic prediction-assisted federated deep reinforcement learning for service migration in digital twins-enabled MEC networks | |
Wang et al. | Delay-optimal computation offloading in large-scale multi-access edge computing using mean field game | |
Peng et al. | Machine learning with variable sampling rate for traffic prediction in 6G MEC IoT | |
CN111988834A (zh) | 一种异构车联网网络选择方法、系统及装置 | |
Shirmohamadi et al. | Optimizing resources allocation in a heterogeneous cloud radio access network using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |